首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >通过删除特殊字符改进Tesseract OCR结果

问通过删除特殊字符改进Tesseract OCR结果
EN

Stack Overflow用户
提问于 2017-04-25 14:39:51
回答 1查看 3.4K关注 0票数 1

我正在对保存在我的数据库中的一些pdf,image,tiff文件进行tesseract转换。但是在这样做的同时,我从各种文件中得到了大量的垃圾文本输出。例如,在本例中,图像为我提供了以下文本输出。

​

代码语言:javascript
复制
“‘55“ .'Hï¬ï¬jï¬tï¬tf‘N‘Dfli’iisifagï¬'aï¬ffl‘rfé-wt-“ï¬â€˜-:-'!W',fl':ï¬fm:afJuirzv-int'g-v "3.0:†_‘ l 1: v .w 

From:Beaver Medical Internal Med. 909 797 8922 06/28/2016 11:24 #946 RODS/006 

如您所见,它在开头添加了一些额外的特殊字符。

我只想知道是否有任何控制参数可以从输出中删除这些特殊字符,因为许多输入文件都会发生这种情况。

注意:这不是原始图像,这只是我正在转换为文本的pdf截图的一部分,输出也是原始输出的一部分。

我的问题与Limit characters tesseract is looking for不同,因为这个问题是为了忽略字母以外的其他东西,但在我的例子中,输出文本中有一些不需要的字母和数字,在使用tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz后,我需要删除它们,因为我仍然在输出文本的开头得到错误的文本he fhawfyhftiwlwwfuisipgkggfawfarwtwofrrletitwtfilfmjafgurrwsnnve mania a i v a an,而且它也删除了数字。所以我想问一下,有没有什么方法可以去掉开头出现的那些不需要的字母、特殊字符和数字。

EN

回答 1

Stack Overflow用户

发布于 2017-04-26 03:31:45

在tessdata/configs目录中创建配置文件(例如"letters") -通常是/usr/share/tesseract/tessdata/configs或/usr/share/tesseract-ocr/tessdata/configs

并将以下行添加到配置文件中:

代码语言:javascript
复制
tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz  

...or也许a-z行得通..dunno :-)然后像这样调用tesseract:

代码语言:javascript
复制
tesseract input.tif output nobatch letters  

这将限制tesseract仅识别所需的字符

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/43603395

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档